テスト機で決まった検査モデルが、隣のラインや別工場に持っていくと途端に見逃し・過検出を起こす。この「ドメインギャップ」はモデルの出来だけの問題ではなく、照明・カメラ・現物のばらつきが絡む構造的な現象です。原因をどの層で切り分け、どこまでを転移学習で吸収し、どこからは撮像条件の固定で潰すのか——多拠点・多品種で運用する前提で整理します。
AI外観検査を導入する現場で、最もよく聞く困りごとの一つが「検証環境では良好だったモデルが、別ラインや別工場に移した途端に精度が落ちる」という現象です。見逃しが増えたり、逆に良品を過剰にはじく過検出が跳ね上がったりする。担当者は「モデルの学習が足りないのでは」と考えがちですが、原因はモデル単体にないことが多いと考えられます。
この「学習した環境と、実際に使う環境の分布がずれる」現象を、機械学習の分野ではドメインギャップと呼びます。産業用画像検査の文脈では、これは抽象的な話ではなく、照明の色温度が違う、カメラの機種が違う、ワークのロットが変わって表面の質感が変わった——といった極めて物理的な差として現れます。人間の目には「同じ製品の同じ傷」に見えても、画素の並びとしては別物になっているわけです。
単一ラインで作り込んで運用する分には、ドメインギャップは表面化しにくいものです。問題は横展開の局面で一気に噴出します。第二工場へ、隣接する類似製品へ、あるいは装置更新で新しいカメラへ——移すたびに精度がぶれると、そのたびに再調整が発生し、AI検査の「スケールするはずの利点」が失われていきます。多拠点・多品種でのAI検査運用を前提に置くなら、このギャップを設計段階から折り込んでおくことが避けて通れないと考えます。
「ラインが変わると落ちる」を一括りにせず、どの層でずれが起きているかを分けて考えると対処が見えやすくなると考えます。実務上は、撮像の層・データ分布の層・アノテーション基準の層の3つに整理できると考えられます。
最も影響が大きく、しかし見落とされやすいのがこの層です。照明の角度・色温度・拡散/直進、カメラのセンサ特性やゲイン、レンズの歪みや被写界深度、ワークとの距離や角度。これらが少し違うだけで、同じ欠陥が全く違う見え方になります。特に金属光沢面や透明体、微細な打痕・スジのような「照明で見え方が決まる欠陥」では、撮像側の差がそのまま精度差に直結すると考えられます。ここは元キーエンス画像処理事業部の現場知見と現場ライティングの設計が効く領域でもあります。
品種違い、ロット違い、原材料や成形条件の変化によって、良品側の見え方そのものが移動します。学習時に見ていなかった「新しい良品の顔」が来ると、モデルはそれを異常と判断しやすくなり、過検出につながります。逆に、学習データに含まれていなかったタイプの欠陥は見逃されうる。分布の端やレアな不良ほど、この層のギャップに弱いと考えられます。
見落とされがちなのがこの層です。拠点Aと拠点Bで「どこからをNGとするか」の合意が違えば、同じモデルでも現場の体感精度は食い違います。モデルの数字より前に、人間側の判定基準が揃っていないケースは珍しくありません。ドメインギャップの一部は、実はデータやモデルではなく判定定義の不一致だった、ということもありうると考えます。
対処に入る前に、切り分けが要ります。いきなり再学習やモデル差し替えに走ると、実は照明が原因だったのにデータで無理やり吸収しようとして、かえって不安定になることがあります。順序としては、①移植先で実際に撮った画像を集める、②元環境の画像と並べて見え方の差を目視・数値で確認する、③良品どうし・欠陥どうしで分布がどれだけ動いたかを見る、という流れが現実的と考えます。
過検出が主なら良品分布の移動、見逃しが主なら欠陥の見え方の変化やレア不良の欠落を疑う、というように症状から当たりをつけられると考えられます。ここでの観察は感覚論ではなく、移植先の現物で撮った実画像に基づくべきです。この初期の切り分けは、AI検査PoCの進め方で扱うPoC設計の考え方とも重なり、横展開そのものを小さなPoCとして回すと失敗が早く分かると考えます。
切り分けの結果、撮像の層に主因があるなら、モデルをいじる前に撮像条件を寄せるのが近道になりうる。データ分布の層なら少量の再学習、基準の層なら人間側のすり合わせが先——このように、原因の層ごとに打ち手を割り当てる発想が有効と考えます。
転移学習は、既存モデルの学習済みの特徴を土台に、移植先の少量データで上位層だけを学習し直すなどして、ゼロから作るより少ないデータ・工数で新環境に適応させる手法です。ドメインギャップ対策の中核になりうる有力な選択肢ですが、万能ではないという前提を持っておくことが誠実だと考えます。
欠陥の種類や検査の狙いが元と近く、差が主に「見た目のトーンやテクスチャの微差」に留まる場合は、少量データの再学習で吸収できる可能性が高いと考えられます。品種違いだが同系統の製品、といったケースはここに入りやすい。VLMベースの検査では、言語的な欠陥の定義を通じて少量サンプルでも意図を伝えやすい面があり、この吸収を後押ししうると考えます。
一方、照明設計が根本的に違って欠陥のコントラスト自体が出ていない、そもそも移植先に欠陥サンプルがほとんど無い、といった場合は、いくら再学習しても「写っていないものは学べない」壁にぶつかります。ここはデータやモデルの問題ではなく撮像の問題であり、後述の撮像条件の固定で先に土俵を整える必要があると考えられます。なお、再学習に必要なデータ量や到達精度はワーク・欠陥・環境に大きく依存するため、一律の数値は置けません。移植先の現物での検証が前提になると考えます。
推論をどこで動かすかも設計に絡みます。多拠点で再学習を回すなら、学習はクラウド寄り・推論はエッジ寄りといった分担が現実的なことが多く、エッジとクラウドの使い分けの観点を早めに握っておくと運用設計が楽になると考えます。
ドメインギャップ対策として最も費用対効果が高いのに軽視されがちなのが、そもそも差を作らないという発想です。モデルで差を吸収するより、撮像条件を拠点間・機体間で揃えて入力画像の分布そのものを寄せるほうが、原理的に安定しやすいと考えられます。
照明の機種・光量・角度・色温度、カメラ機種とセンサ設定、レンズ、ワークとの距離と姿勢、シャッター・ゲイン・ホワイトバランス。これらを「同じ製品を作れる仕様書」のように標準化しておくと、二台目・三台目の立ち上げでギャップが小さく収まりやすいと考えます。ソフトとハードを一体で設計するAI画像検査パッケージの発想は、この撮像の再現性を担保するうえで相性が良いと考えられます。
とはいえ、経年劣化する照明、微妙に個体差のあるカメラ、環境光の混入、現物ロットのばらつきまでは完全には固定できません。だからこそ「固定で寄せられるところは寄せ、残った差を転移学習・再学習で吸収する」という二段構えが現実解になりうると考えます。撮像で8割寄せておけば、モデル側の負担は大きく下がると考えられます（この配分自体は目安であり、対象ごとの検証が前提です）。
一台目を作り込む発想と、N台に展開する発想は別物です。横展開を見据えるなら、最初から「移植を前提にした設計」にしておくことが後の工数を大きく左右すると考えます。
どの拠点がどのモデル・どの撮像仕様で動いているかを台帳化し、更新履歴を残す。ある拠点で得た欠陥サンプルを他拠点のモデル改善に回せる仕組みにしておくと、ギャップが「共有資産」に変わっていきます。逆に各拠点が勝手に再調整を重ねると、モデルが枝分かれして収拾がつかなくなりうると考えられます。
第3層で触れた通り、NG判定の定義を拠点横断で合意しておくことは、モデル以前の土台です。限度見本や判定ガイドを共通化し、境界事例をどう扱うかを言語化しておく。ここが揃っていないと、モデルを揃えても現場の納得は得られにくいと考えます。FA全体の中でこの検査工程をどう自動化に組み込むかはFA・外観検査の自動化の設計と一体で考えると、装置・搬送・照明・判定が噛み合いやすいと考えられます。
ドメインギャップ対策で現場が陥りやすい落とし穴を挙げます。いずれも「やってみないと分からない部分」を含み、事前に潰しきれるものばかりではありませんが、知っておくだけで判断が変わると考えます。
ドメインギャップは、避けられない現象であると同時に、設計と運用で確実に小さくできる現象でもあると考えます。順序としては、まず移植先の現物・照明・カメラで実画像を撮り、元環境との差を可視化する。次に撮像条件で寄せられる差を寄せ、残差を転移学習・再学習で吸収する。並行して判定基準を拠点間で合意し、モデルと基準の版管理を仕組みにする——この流れが、多拠点・多品種でのAI検査運用を安定させる現実的な道筋になりうると考えます。
重要なのは、最初から完璧な横展開を狙わず、小さく撮って小さく検証し、どの層にギャップがあるかを事実で掴むことです。客観的な把握と現物検証を出発点に据えれば、「ラインが変わると落ちる」問題は、その都度の場当たり対応から、再現可能な設計へと変えていけると考えます。まずは自社の移植計画のどこにギャップが潜んでいそうか、実画像を持ち寄って一緒に切り分けるところから始めるのがよいと考えます。
学習した環境と実際に使う環境で、画像の分布がずれる現象を指します。産業用画像検査では、照明・カメラ・レンズの違いや、品種・ロットの変化として物理的に現れ、これがモデルの見逃しや過検出につながると考えられます。人の目には同じに見えても、画素の並びとしては別物になっている点が難しさの核心です。
欠陥の種類が近く、差が見た目の微差に留まる場合は少量データの再学習で吸収できる可能性がありますが、照明設計が根本的に違ってコントラスト自体が出ていない場合や、移植先に欠陥サンプルが無い場合は転移学習だけでは苦しいと考えられます。撮像条件を先に寄せてから再学習する二段構えが現実的と考えます。到達精度は対象ごとの現物検証が前提です。
移植先の現物・照明・カメラで実際に撮った画像を集め、元環境の画像と並べて差を確認するのが出発点になりうると考えます。過検出が主なら良品分布の移動、見逃しが主なら欠陥の見え方の変化やレア不良の欠落を疑う、というように症状から原因の層を切り分ける進め方が有効と考えます。
照明・カメラ・レンズ・距離・姿勢などの撮像条件を仕様書のように標準化して差を作らないこと、モデルと判定基準の版管理を仕組みにすること、拠点間でNG判定の定義を合意することの組み合わせが有効と考えられます。撮像で差を寄せ、残差を再学習で吸収する順序が安定しやすいと考えます。
認識率やコスト削減率といった数値は、ワーク・欠陥・照明・現物のばらつきに強く依存するため、一律の保証は難しいと考えます。ラボの数字は移植先では再現されないことが多く、移植先の現物・照明・カメラで撮った実画像による検証が前提になります。まず小さく撮って確認し、事実に基づいて見通しを立てる進め方をお勧めします。
「テスト機では通ったのに現場で落ちた」の原因は、多くが撮像・データ分布・判定基準のどこかに潜んでいます。まずは移植先の現物・照明・カメラで撮った実画像を持ち寄り、どの層にギャップがあるかの切り分けから始めます。元キーエンス画像処理事業部の現場知見×VLM×Jetsonエッジ×産業用カメラ×現場ライティングの観点で、横展開の設計をご一緒します。
多拠点・多品種のAI検査運用を相談する